Insights Knowledge Base

Una base de conocimiento gratuita y lista para usar con más de 10,000 informes de análisis integrados y soporte para analizar documentos privados.

GitHub
5
Prueba este MCPPatrocinado

Documentación

Servidor MCP de Insights Knowledge Base (IKB)

>>>Versión en chino

🍭Una base de conocimiento gratuita y lista para usar. Incluye más de 10,000 informes de insights de alta calidad, empaquetados como servidor MCP, con almacenamiento local seguro de datos.

⚠️⚠️ Todos los informes recopilados en este proyecto provienen de recursos gratuitos en sitios web oficiales de informes de investigación. ⚠️⚠️

Características

  1. 🍾 Sin configuración requerida, diseñado para uso plug-and-play.
  2. 🚀 Modelo de incrustación Qwen3-Embedding-0.6B integrado, los informes relacionados se pueden recuperar mediante búsqueda vectorial.📢 Los detalles de los informes también se pueden buscar mediante recuperación por palabras clave.
  3. 🍥 Se han recopilado más de 100 informes de insights de firmas consultoras reconocidas como McKinsey, PwC y BAIN, incluyendo más de 6,000 páginas de informes, que cubren más de 70 temas.
  4. 💎 Navegación en línea en tiempo real de informes completos en el cliente MCP.
  5. 🎉 Respuesta ultrarrápida: Todas las respuestas de Function_call suelen tardar <1 segundo, las consultas por palabras clave <150ms.
  6. 🎨 Pegue documentos locales privados en la carpeta library_files (créela manualmente si no existe; el nombre debe coincidir). Configure los modelos/parámetros VLM en .env (por ejemplo, VLM_MODEL_NAME=qwen2.5-vl-72b-instruct) para la extracción, análisis y reconocimiento de documentos locales.
  7. 🦉 Gratuito de forma permanente—sin esfuerzo desperdiciado en recopilar informes. Comparta recursos confiables y compatibles con derechos de autor a través de issues.
  8. 🔔 Compromiso con actualizaciones semanales de informes; las correcciones de errores dependen del capricho personal (no soy ingeniero 🤭).

Optimizaciones al 30 de junio

  1. Se agregaron más de 2000 páginas de informes.

Direcciones futuras

  1. Actualizaciones continuas de informes.
  2. Optimización de la ingeniería de prompts.

Perfil de archivos más recientes

{
    "statistics": {
        "total_files": 174,
        "total_pages": 9320,
        "unique_publishers": 9,
        "unique_topics": 93,
        "last_updated": "2025-06-30T10:08:35.928329"
    },
    "details": {
        "publishers": [
            "",
            "Accenture",
            "BAIN",
            "BCG",
            "CBS",
            "Deloite",
            "McKinsey",
            "PWC",
            "亿欧"
        ],
        "topics": [
            "",
            "AI",
            "AI Agent",
            "Africa",
            "Aftermarket",
            "Asian American",
            "Auto",
            "Aviation",
            "Beauty",
            "Business",
            "Chemical industry",
            "Chemicals",
            "Chinese banking",
            "Chinese securities",
            "Consumer Goods",
            "Decarbonation",
            "Decarbonization",
            "Digital",
            "ESG",
            "Economy",
            "Economy and Trade",
            "Education",
            "Electric two wheelers",
            "Employment",
            "Energy",
            "Europe",
            "FMCG",
            "Fashion",
            "Finance",
            "Financial Technology",
            "Financial service",
            "Fintech",
            "Food-meatless",
            "Gen Z",
            "Global banking",
            "Global energy",
            "Global insurance",
            "Global macroeconomic",
            "Global materials",
            "Global private market",
            "Global private markets",
            "Global trade",
            "Grocery",
            "Grocery retail",
            "Health",
            "Healthcare",
            "Human capital",
            "Hydrogen",
            "Insurance",
            "Investing",
            "Investment management",
            "Labor market",
            "Latinos",
            "Low-altitude Economy",
            "Luxury Goods",
            "Luxury goods",
            "M&A",
            "Maritime",
            "Media",
            "Medical Health",
            "Medtech",
            "Net zero",
            "New Energy Vehicle",
            "New era",
            "Packing",
            "Payments",
            "Pet Food",
            "Population",
            "Power",
            "Private Equity",
            "Private market",
            "Productivity",
            "Quantum",
            "Real estate",
            "Retail",
            "Retail Digitalization",
            "Retailers",
            "Risk",
            "Small business",
            "Smart Home",
            "Smart hospital",
            "Sporting goods",
            "Sustainability",
            "Sustainable",
            "Tax-free",
            "Technology",
            "Travel",
            "Truck",
            "United Kingdom",
            "VSOC",
            "Wealth management",
            "Workplace",
            "连锁经营"
        ]
    }
}

Instalación (apta para principiantes)

💡Consejo profesional: ¿Atascado? Arrastre esta página a un cliente LLM (como DeepSeek) para obtener orientación paso a paso. En realidad, estas instrucciones también fueron escritas por DeepSeek...

Requisitos previos: Python 3.12+ (Descárguelo del sitio web oficial y AGREGUE LA RUTA DE ENTORNO)

Instalar UV:

pip install uv

1. Clonar el proyecto (confirme que Git y Git LFS estén instalados correctamente)

git clone https://github.com/v587d/InsightsLibrary.git
cd InsightsLibrary
git lfs pull

2. Crear entorno virtual

uv venv .venv  # Create dedicated virtual environment

# Activate environment
# Windows:
.\.venv\Scripts\activate
# Mac/Linux:
source .venv/bin/activate

3. Instalar dependencias principales

uv install .  # Note the trailing dot indicating current directory

4. Crear variables de entorno (para necesidades futuras)

notepad .env  # Windows
# Or
nano .env     # Mac/Linux

5. Configurar el servidor MCP

  • VSCode.Cline

Nota: Reemplace <Your Project Root Directory!!!> con el directorio raíz real.

{
  "mcpServers": {
    "ikb-mcp-server": {
      "command": "uv",
      "args": [
        "--directory",
        "<Your Project Root Directory!!!>", 
        "run",
        "ikb_mcp_server.py"
      ]
    }
  }
}
  • Cherry Studio
    • Comando: uv
    • Argumentos:
--directory
<Your Project Root Directory!!!>
run
ikb_mcp_server.py

Agregar documentos privados a ikb_mcp_server

  1. Configure los modelos y parámetros VLM en .env: 
    VLM_API_KEY=<API Key>
VLM_BASE_URL=<Base URL> # https://openrouter.ai/api/v1
VLM_MODEL_NAME=<Model Name> # qwen/qwen2.5-vl-72b-instruct:free
  2. Suba el documento PDF a la carpeta library_files en el directorio raíz del proyecto.
  3. Ejecute main.py manualmente.
# Navigate to the project root directory
# Activate the virtual environment
uv run main.py
(InsightsLibrary) PS D:\Projects\mcp\InsightsLibrary> uv run main.py
[INFO] extractor: PDF extraction initialized | Files directory: library_files | Pages directory: library_pages
[INFO] extractor: Starting scan of directory: library_files
[INFO] extractor: Found 69 PDF files
[INFO] extractor: Scan completed | Total files: 69 | Processed: 0 | Failed: 0
[INFO] recognizer: No pages to process.
# Data has been updated to the database
============================================================
Confirm if you need to create text vector embeddings
⚠️ This process may take approximately 20 minutes
============================================================
Create embeddings? (Enter Y or N): 
# Y: create text vector embeddings
# N: Skip text vector embeddings and exit program

Licencia

Este proyecto está licenciado bajo la Licencia MIT. Consulte el archivo LICENSE para más detalles.

Actualizaciones de optimización al 17 de junio

  1. 💡Optimizado models.py: Eficiencia de consulta de datos mejorada en un 1,000%
  2. 💡Optimizado extractor.py: Eficiencia de extracción de PDF ligeramente mejorada
  3. 💡Optimizado recognizer.py: Eficiencia de comprensión de imágenes aumentada en un 50%
  4. 💡Optimizado ikb_mcp_server.py:
    • Se agregó funcionalidad de paginación
    • Se mostraron las rutas locales de los archivos referenciados
  5. 💡Agregar Licencia MIT(https://github.com/v587d/InsightsLibrary/pull/1#issuecomment-2969226661)
  6. 📦 El tamaño total del paquete del proyecto comprimido se redujo aproximadamente en un 50%
  7. 💡Optimizar el manejo de documentos privados
  8. 💡Se corrigieron otros errores identificados

Optimizaciones al 22 de junio

  1. Se agregó embedder.py: Implementa indexación de vectorización de texto mediante el modelo local Qwen3-Embedding-0.6B, almacenado en faiss_index.
  2. Se modificó main.py: Flujo de trabajo de bucle cerrado PDFExtractor → IMGRecognizer → Embedder (opcional).
  3. Nuevo @mcp.tool(): get_similar_content_by_rag: Encuentra el contenido de documento más similar mediante similitud vectorial (RAG).
  4. Todos los informes cargados por administradores ahora admiten visualización en línea → Se eliminó la carpeta library_files para reducir el tamaño del proyecto.
  5. Se agregaron más de 2000 páginas de informes.